不确定需求下应急物流系统多目标鲁棒优化模型

针对在突发事件发生的紧急救援期,应急物流系统的运载能力有限性及多种应急物资的需求不确定性,采用相对鲁棒优化方法建立了基于总时间和总成本最优的多目标数学模型.结果表明:模型合理地解决了应急物资在需求不确定条件下选址-路径的安排问题,通过算例将绝对鲁棒优化与相对鲁棒优化的对应问题以及单目标与多目标模型的最优解进行对比,验证了多目标鲁棒优化模型能够体现应急物资在需求不确定条件下选址-路径方案的最优性与鲁棒性的均衡,从而在突发事件发生时能有效保证应急物流决策的鲁棒性.     

不确定条件下多产品第四方物流闭环网络鲁棒优化研究

在不确定条件下,构建了一个包括生产商、集中退货中心、消费区/初始退货点、维修处理中心、分销中心和废弃处置中心的单周期多产品第四方物流闭环网络选址模型。在销售量和退货率均不确定的情况下,用鲁棒优化的方法进行优化,目标是使总成本最小。通过lingo 10对具体算例进行求解。结果验证了该模型的鲁棒性。     

考虑路径风险的不确定需求应急物流定位-路径问题

针对突发事件发生后路网和救援物资需求的不确定性,考虑路径运行时间超期风险、路网通行能力风险、路径复杂性及应急物资需求不确定性,以应急物资运达总时间最小和系统总成本最小为目标,建立了基于随机机会约束规划的多目标应急物流定位-路径模型,设计了改进的遗传算法对其进行求解,采用罚函数法处理模型中的约束条件.算例分析验证了模型的合理性和算法的可行性.     

不确定环境下的物流配送中心选址模型

针对现实中普遍存在的不确定环境，提出了当需求量为一般的不确定量：区间数时，物流配送中心选址的区间规划模型，并依据不同的决策标准，将其转化为确定的单目标或多目标规划模型．基于Matlab模拟的数值实例也显示了该优化问题的现实性与最优解的多样性．     

需求不确定环境下闭环供应链回收渠道决策研究

本文主要研究了市场需求的不确定性对闭环供应链回收渠道决策的影响。利用鲁棒优化的方法研究了在市场需求不确定的情况下三种回收渠道的鲁棒优化问题,并对三种回收渠道下模型进行了比较分析。     

基于改进粒子群优化算法的逆向物流选址与路径问题研究

综合考虑逆向物流中的车辆路径问题和选址分配问题,首先分析问题的特点,并建立问题的数据模型,然后提出一种基于贪心算法的改进粒子群优化算法.实验结果表明,新算法能够以较快的收敛速度得到问题的近似最优解,是解决该类问题的有效方法.     

一类不确定非线性系统的鲁棒镇定

讨论了在自由系统和输入通道都带有有界不确定性的仿射非线性系统的鲁棒镇定问题。本文指出如果一个相应的Ｈａｍｉｌｔｏｎ－Ｊａｃｏｌｂｉ不等式有非负光滑解,则该不确定仿射非线性系统可鲁棒镇定。     

需求不确定下船队规划决策的鲁棒优化模型

研究了不确定复杂环境下的船队规划决策问题.在分析船队规划已有研究方法和基本特点的基础上,将船舶调配优化与船队发展规划结合起来统筹研究,建立了符合市场实际的多方式投资的船队规划确定性模型.通过引入基于情景分析的鲁棒优化方法,采用具有已知概率的情景集合描述市场需求的不确定性,将此模型扩展为包含不确定因素的鲁棒优化模型.模型既考虑了船舶营运经济状态、企业投资能力、新船购置、二手船买卖、船舶租赁等多种复杂的实际情况,又考虑了需求的不确定性影响,并且体现了模型的鲁棒性.最后,以某航运公司为例进行仿真实验,将确定性模型与鲁棒模型进行对比,结果表明,鲁棒模型的解相对保守,能有效地保证船队规划决策的鲁棒性.     

混合不确定条件下多式联运路径优化

针对运输时间及需求不确定的多式联运路径优化问题,综合考虑货运过程中节点作业时间窗、运输方式固定出发时刻及终点处的收货时间窗约束,采用基于情景的鲁棒优化方法,建立以运输、中转和仓储费用之和最小的多式联运路径优化模型,设计遗传算法并进行有效性检验.通过算例研究比较不同模式下多式联运的运输方案及成本,并探究鲁棒优化解的质量与遗憾系数、随机数波动范围的关系.研究结果表明：节点时间窗的存在和改变会导致运输成本和运输方案的变化,混合不确定条件下的多式联运路径鲁棒优化受到遗憾值约束及不确定因素波动范围的影响,将导致运输成本增加.由此,多式联运决策者需预判不确定因素的影响、选择合适的最大遗憾值、关注节点混合时间窗约束以降低成本提高效率.     

含多参数的不确定线性时滞系统的鲁棒镇定

应用李雅普诺夫稳定性理论，给出了一类含多参数的参数不确定系统的鲁棒控制器的一种设计方法．通过构造状态反馈矩阵K，使其满足所给的两个条件，以此得到一族鲁棒稳定控制器．最后以数值实例说明了该设计方法的有效性．文中实例表明，该结论具有更小的保守性．     

一类不确定广义大系统的鲁棒镇定

考虑了一类参数不确定广义互联大系统的分散鲁棒镇定问题,所考虑的不确定参数满足范数有界条件,利用LMI方法,给出了保证闭环系统鲁棒稳定的充分条件,最后用数值算例说明该方法简单有效．     

一类不匹配不确定非线性系统的鲁棒控制

研究一类包含不匹配不确定性非线性系统的鲁棒镇定问题,应用李亚普诺夫直接法,提出了一种基于不确定项上界的连续型鲁棒控制器设计方法,该控制器分为两部分,分别地匹配不确定项和不匹配不确定项进行补偿,由于在控制器中引入了两类时变函数,因而与以前的一些仅能保证系统一致最终有界的控制器相比,本文提出的控制器可确保相应闭环系统大范围渐近稳定,此外,用来补偿匹配不确定项的控制器,其每一分量仅与相应通道的不确定项有关,因而要求的控制能量小,所提控制器计算简单,更易实现,仿真结果证明了所提方法的可行性与有效性。     

模型不确定下无人艇编队鲁棒自适应循迹控制

针对存在外界环境干扰和模型中不确定性的编队问题,设计了鲁棒自适应控制.通过计算预定路径上的期望点与船舶当前位置之间的偏差,使用反步法设计路径跟随子控制器,保证每艘无人艇在水平面中沿着参考路径行驶.编队协调子控制器采用鲁棒自适应控制方法设计,通过调整跟随艇的速度以实现设定的编队队形,同时自适应地估计出外界环境力和由模型参数不确定导致的系统不确定项的界值.仿真结果验证了所提出的路径跟随编队控制方法的有效性.     

城区物流配送中心选址优化系统设计与实现

为了提高城区物流配送中心选址效率,克服传统方法须依靠人工计算的弊端,提出利用在线地图获取路径距离信息的方法。基于配送中心的实际建设和运营情况,确定配送中心选址问题的成本影响因素,设计选址优化系统框架,构建以总成本最小化的数学模型,采用基于整数编码的遗传算法对其进行求解。利用C#语言实现系统架构,并进行计算测试。测试发现:所构建系统能够自动获取城区各节点距离信息,较之传统手段减少了规划人员的工作量,围绕2类算例实施优化选址,均在较短时间内获得了切实可行的选址方案。结果表明,所提出的系统架构具有有效性和适用性,能够有效帮助规划人员实施物流节点选择。     

信息不确定条件下的鲁棒数据包络分析建模

为应对传统DEA方法在信息不确定条件下评价结果可能出现不稳定的现象,结合鲁棒优化方法,构建鲁棒数据包络分析RDEA模型,分别和同时应对投入产出数据受到扰动的情形,以增强DEA评价方法的可靠性.算例和敏感性分析表明RDEA方法对投入产出数据不确定性有免疫作用,通过适当牺牲最优性实现了提升效率评价结果稳定性的目的.     

需求不确定电子供应链的鲁棒运作模型

建立了由多个供应商、多个顾客构成的电子供应链在顾客需求不确定情况下的单目标鲁棒运作模型.供应链中,每个供应商均可以通过电子市场或直接将自己生产的多个产品供应给具有不确定需求的多个顾客,供应链追求整体运作成本最小化.采用已知概率的情景集合描述顾客的不确定需求,利用基于情景分析的鲁棒优化方法建立供应链的运作模型.为了检验所建模型的鲁棒性及运作目标的数目对建模方法有效性的影响,利用已有文献的相关数据进行了仿真计算,并对两者的计算结果进行了比较.结果表明,在不确定需求的扰动下,供应链的运作模型确实具有鲁棒性,而且运作目标的多少对建模方法的有效性没有影响.     

一类参数不确定系统的鲁棒控制及仿真

考虑具有大运行范围飞控系统的鲁棒控制问题.基于最佳拟合的方法,建立了适合大运行范围的飞行控制系统模型,从而将其转化为一类与摄动参数呈多项式函数关系的不确定性模型.对某模型飞机控制系统,采用文中鲁棒控制方法,对其进行了鲁棒镇定控制设计,仿真结果表明了文中方法的可行性.     

非线性不确定系统的鲁棒镇定

本文将带有模有界条件的非线性不确定系统化为一个确定性的非线性系统H∞问题来考虑，利用非线性系统H∞控制理论的现有结果讨论其普林镇定性。比较了非线性不确定系统在匹配条件下与在模有界条件下各律可镇定的优劣。结果表明带模有界条件的非线性不确定系统可以使整个闭环系统鲁林斯近镇定到平衡点，两种结构条件下的鲁棒分析和设计各有其特点．带模有界条件的非线性不确定系统鲁棒镇定更易于实现。     

不确定非线性系统的鲁棒自适应控制

针对一类不确定非线性系统设计了一种鲁棒自适应控制方案,所设计的自适应控制器既能保证闭环系统所有信号的全局有界性,又能使跟踪误差以指数速度收敛到零的一个小邻域内,仿真结果表明了所提控制方案的有效性.     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。